BAB II TINJAUAN PUSTAKA
A. Peramalan
4. Metode Peramalan
Menurut Render dan Heizer (2004) dalam melakukan peramalan diperlukan perhitungan yang akurat sehingga diperlukan peramalan yang tepat. Pada dasarnya terdapat dua pendekatan umum untuk mengatasi semua model keputusan untuk meramal:
a. Peramalan Kualitatif
Yaitu peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi, dan system nilai.
Dalam peramalan kualitatif terdapat empat teknik peramalan yang berbeda,
b. Keputusan dari pendapat juri eksekutif, dalam metode ini pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan prediksi permintaan kelompok.
c. Metode Delphi, merupakan teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan.
1) Gabungan dari tenaga penjualan, metode ini mengoptimasi jumlah penjualan diwilayahnya, peramalan ini kemudian dikaji
untuk memastikan apakah peramalan cukup realistis lalu dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.
2) Survei pasar konsumen, metode peramalan yang meminta input dari konsumen mengenai rencana pembelian mereka di masa depan.
d. Peramalan Kuantitatif
Yaitu peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Ada lima metode peramalan kuantitatif, yaitu metode pendekatan naif, metode rata-rata bergerak, metode penghalusan eksponential, penghalusan tren, dan regresi linear. Pada dasarnya metode peramalan kuantitatif ini dibedakan menjadi dua:
1) Metode peramalan berdasarkan seri waktu (time series)
Model ini melihat pada apa yang terjadi selama periode waktu menggunakan seri data masa lalu untuk membuat ramalan. 2) Metode kausal (causal metods) atau metode korelasi
Metode kausal, bergabung menjadi variable atau hubungan yang bisa mempengaruhi jumlah yang sedang diramal.
Metode peramalan time series terdiri dari: 1) Pendekatan naif
Pendekatan ini adalah teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan
terkini. Metode ini merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya, pendekatan ini memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih.
2) Rata-rata bergerak(moving average)
Bermanfaat jika mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu.
Metode rata-rata bergerak dibagi menjadi dua metode yaitu: a) Rata-rata bergerak sederhana (single moving average)
Metode ini digunakan untuk melakukan peramalan hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya.
Metode ini mempunyai dua sifat khusus yaitu untuk membuat peramalan memerlukan data histories selama jangka waktu tertentu, semakin panjang waktu moving average akan menghasilkan moving average yang semakin halus. Secara matematis moving average:
Permintaan data n periode sebelumnya n
dimana n adalah jumlah dalam rata-rata bergerak, misalnya tiga, lempat, atau lima bulan secara berurutan. Kelemahan metode moving average antara lain perlu data histories,
semua data diberi weigh sama, tidak bisa mengikuti perubahan yang terjadi.
b) Rata-rata bergerak tertimbang (weight moving average) Apabila ada tren atau pola terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat.
Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis sebagai:
(bobot pada periode n) (permintaan pada periode n) bobot
Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang mana yang digunakan, membutuhkan pengalaman.
c) Penghalusan eksponential (exponential smoothing)
Penghalusan eksponential adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponential. Penghalusan eksponential merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu.
Rumus penghalusan eksponential dapat ditunjukkan sebagai berikut: ) ( 1 1 1 t t t t F A F F Dimana: Ft = peramalan baru Ft1 = peramalan sebelumnya
= konstanta penghalus (pembobot) (01) At1 = permintaan aktual periode lalu
Pendekatan penghalusan eksponential mudah digunakan, dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalus, , dapat membuat diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai yang tinggi dipilih saat rata-rata cenderung berubah. Nilai yang rendah digunakan saat rata-rata cenderung stabil. Tujuan pemilihan suatu nilai untuk konstanta penghalus adalah untuk mendapatkan peramalan yang paling akurat.
d) Proyeksi tren (trend projection)
Adalah metode peramalan time-series yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan untuk peramalan jangka pendek atau jangka panjang. Kalau hal yang diteliti menunjukkan gejala kenaikan maka tren yang kita miliki menunjukkan rata-rata
pertumbuhan, sering disebut trend positif, tetapi hal yang kita teliti menunjukkan gejala yang semakin berkurang maka tren yang kita miliki menunjukkan rata-rata penurunan atau disebut juga tren negatif
Menurut Adisaputro dan Asri (2004) ada beberapa metode yang bisa digunakan untuk membuat tren yaitu
(1) Metode kuadrat terkecil (linear least square )
Persamaan tren dengan metode linear least square adalah sebagai berikut:
y=a+bX Dimana:
y = nilai variabel yang dihitung untuk diprediksi a = perpotongan sumbu y, bila constan
b = slope koefisien kecenderungan garis tren X = variable bebas, waktu
Dalam persamaan tersebut, ŷ merupakan variabel yang akan dicari, x merupakan satuan waktu (diketahui). Dengan demikian maka variabel a dan b masih harus dicari terlebih dahulu. Adapun cara mencari variabel a dan b dengan: n y a
2 x xy b(2) Metode garis lurus (linear trend line).
Persamaan tren dengan metode linear trend line dapat dirumuskan sebagai berikut:
ŷ=a+bX Dimana:
ŷ = nilai terthitung dari variabel yang akan diprediksi ( disebut variabel terikat ) a = persilangan sumbu y
b = kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan yang terjadi di x)
X = variable bebas, dalam kasus ini adalah waktu Untuk menghasilkan nilai a dan b secara singkat sebagai berikut: a = ŷ –bx b =
nx x nxy xy 2 Dimana:Σ = tanda penjumlahan total
x = nilai variabel bebas yang diketahui y = nilai variabel terkait yang diketahui x^ = rata-rata nilai x
ŷ = rata-rata nilai y
e. Pengukuran kesalahan peramalan
Keakuratan keseluruhan dari setiap model peramalan dapat dijelaskan dengan membandingkan nilai yang diramal dengan nilai actual atau nilai yang sedang diamati. Kesalahan peramalan mengatakan seberapa baik kinerja suatu model dibandingkan dengan model itu sendiri dengan menggunakan data masa lalu. Untuk menghitung kesalahan peramalan (deviasi) adalah
Kesalahan peramalan = At Ft dimana: t A = nilai actual t F = nilai peramalan
Ada beberapa perhitunngan yang biasa digunakan untuk menghitung kesalahan peramalan (forecast error) total. Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Cara untuk mengevaluasi teknik peramalan menurut Render dan Heizer (2004) ada 3:
1) Deviasi rata-rata absolute atau Mean Absolute Deviation (MAD) Adalah mengukur kesalahan peramalan keseluruhan untuk sebuah model. Nilai MAD dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n):
MAD= n
F At t
dimana n = jumlah periode data
2) Kesalahan rata-rata kuadrat atau Mean Squared Error (MSE) Merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE adalah rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Rumusnya adalah:
MSE= n F At t 2 ) (
3) Kesalahan persen rata-rata absolute atau Mean Absolute Percent Error (MAPE)
Merupakan rata-rata diferensiasi absolut antara nilai peramalan dan aktual, yang dinyatakan sebagai presentase nilai aktual. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai presentase nilai aktual. MAPE dihitung sebagai:
MAPE= n A F A n i t i i
1 / 100Keputusan kita dalam memilih suatu teknik peramalan sebagian tergantung pada apakah teknik-teknik tersebut menghasilkan kesalahan yang bisa dianggap kecil atau tidak.